利用 Transformer 处理临床时间序列以进行不良事件检测
机器学习
2023-11-16 v1
摘要
入院患者在其住院期间大多会伴随某种临床发展过程。然而，患者始终面临被错误诊断或某种治疗未达预期效果的风险，可能导致不良事件。我们的研究旨在开发一种异常检测系统，用于识别与预期临床轨迹的偏离。为实现该目标，我们分析了从 Nordland Hospital Trust (NHT) 获取的 16 个月生命体征记录。我们采用了基于 STraTS transformer 架构的自监督框架，将时间序列数据表示于潜空间中。随后对这些表示应用多种聚类技术，以基于临床进程探索潜在的患者表型。尽管这项进行中研究的初步结果令人鼓舞，但它们凸显了用患者额外人口统计学信息增强数据集的重要性。这些额外数据对于更全面评估该方法性能至关重要。
引用
@article{arxiv.2311.09165,
title = {Approaching adverse event detection utilizing transformers on clinical time-series},
author = {Helge Fredriksen and Per Joel Burman and Ashenafi Woldaregay and Karl Øyvind Mikalsen and Ståle Nymo},
journal= {arXiv preprint arXiv:2311.09165},
year = {2023}
}
备注
10 pages, 6 figures